基于遗传算法改进神经网络电力谐波检测算法.docVIP

基于遗传算法改进神经网络电力谐波检测算法 　　摘 要:提出了基于遗传算法改进神经网络算法进行电力谐波分析的方案。遗传算法全局搜索能力强,收敛速度快的特点弥补了神经网络算法在进行谐 波分析时易陷入局部最优解的缺点,同时对初始权值进行遗传算法进化也大大加强了整个算法模型的泛化能力。针对算法本文借助MATLAB的遗传算法和神经网络算法工具箱进行仿真训练发现使用遗传算法改进神经网络算法收敛速度更快,计算结果准确性更高,具有较好的谐波分析效果。 　　关键词:谐波分析 神经网络 遗传算法 MATLAB 　　中图分类号:TM1文献标识码:A文章编号:1007-3973(2010)06-083-02 　　 　　随着现代工业科技的发展,电力电子装置的应用越来越广泛,非线性和时变性电子装置大量投入到电网使得电力系统中的非线性负荷急剧增加,导致了配电网中电压和电流波形的严重失真,由此而产生了电网谐波污染问题,谐波的产生降低了电能质量,直接影响工业用电设备和居民用电设备的正常安全运行。另一方面随着科技的发展,各种精密仪器的投入使用对电能质量提出了更高的要求。谐波问题作为降低电能质量问题的核心内容对电力系统的安全经济运行带来了巨大的挑战 。 　　对谐波含量准确进行分析计算时保证谐波治理效果的重要前提,本文采用遗传算法改进神经网络算法进行谐波含量计算,其实时性和结果精确性都有较大提高。 　　1谐波含量计算问题 　　原始理想的电压和电流波形应该是标准的正弦波波形, 可以假设电源瞬时电压为 　　考虑到负载电流发生畸变,含有谐波分量,根据傅里叶级数将负载电流分解为: 　　其中,为基波有功电流;为基波无功电流;为高次谐波电流,可以将式(2)改写成权值模式: 　　对谐波含量的分析计算目标即为求出的值,其中体现高次谐波的含量 。实际电网中由于电力系统为三相系统,偶次谐波基本消除,因此只考虑奇次谐波,占总谐波含量97%以上的谐波集中在25次谐波以下,本文只分析25次以下(包括25次)奇次谐波含量,根据以上分析,式(4)可以简化成 　　其中 谐波分析即为求取式(5)中权值系数 的值。 　　2基于神经网络谐波检测算法 　　本系统采用单层感知器―误差修正学习法 。??式(5)可知,神经网络谐波权值计算可用如图1所示,作为网络的输入,为理论电流: 　　 为实测电流值,也就是期望电流值,为期望电流值与网络实际输出之差,即误差信号: 　　误差信号为驱动控制信号,其目的是修正调节各次谐波权值,使网络输出一步一步接近期望输出 ,这一目标通过最小化性能指标来实现 ,性能指标定义如下: 　　权值修正法则如下: 　　其中表示第n个输入量第k+1表示第次迭代后结果,为学习率,为学习误差,为第n个输入向量。 　　综合以上分析可知,采用单层感知器-误差修正神经网络的谐波算法计算步骤如下: 　　(1)给定初始谐波权值 　　初始权值赋值可采用在规定区间内的随机赋值法,初值赋值区间为[-2,2]。 　　(2)给定当前输入 　　由前面分析可知为神经网络输入,输入量在不同的时刻t不同,因此必须建立查表机制来查询不同时刻的网络输入,用表示第n次迭代中第个输入量( 的顺序依次编号)。 　　(3)由权值和输入量计算网络输出值 　　(4)根据网络输出和期望输出计算学习误差,如式(7)所示。 　　(5)根据学习误差调节权值 　　其中表示第次迭代中第n个输入量的连接权值 　　(6)回到2继续进行下一次迭代计算 　　基于单层感知器-误差修正学习网络最大的优点就是迭代过程相对简单,最后系统能稳定收敛到目标范围。但系统的稳定性受系统反馈参数影响较大,学习率的选取对于系统重复学习过程中的稳定性和收敛性是非常重要的,的值过大,会加快收敛速度但误差过大,的值过小,学习速度过慢,也将影响系统实时响应速度。 　　3遗传算法改进神经网络算法 　　上一节中提到的单层感知器-误差修正神经网络是一种简单的寻优算法,但神经网络权值寻优算法存在全局搜索能力差的缺点,初始权值随机性过大影响网络的泛化能力,而遗传算法可以对复杂的,非线性的、多峰的不可微函数实现最优全局搜索,能有效利用历史信息来推测下一代更优质的寻优点集 。这样不断进化,最后收敛到一个最适应环境的个体上,进而得出问题的最优解。因此,可以先用遗传算法对初始权值进行优化,在大范围解空间定位出适用于优化目标的较好搜索空间,然后利用神经网络在这一个较小解空间进行局部寻优,这样既可以避免在寻优过程陷入局部最优,还可以加快算法收敛。据此本文将遗传算法与单层感知器-学习修正神经网络算法进行结合来优化谐波含量计算。遗传算法进化步骤如下 : 　　第一步:确定决策变量和约束条件 　　包括基波权值在内,一共有13组,总共有26个权值,谐波